看到
@林木然 的答案，用Mathematica 做了下试验，效果没有有这么好。
首先输入图像
做离散傅里叶变换：
结果是这样的：
然后我们取个低通，先做个掩模，这里只取整个图片低频的1/16部分：
掩模（Mask）如下：
只要白的部分不要蓝的部分
好了，对这个取过低通的图像做 逆傅里叶变换并画出来：
用一个二维高斯对DFT后的图像滤波，压制低频，结果如下
可以看出用傅里叶方法做低通，效果并没有那么好，当然也可能是我姿势不对。
如果想自己试试的话，源码（Mathematica）如下：
代码参考了以下回答，有兴趣可以自己看看：
Calculate the 2D Fourier transform of an Image
How to use 2D Fourier analysis to clean the noise in an image
做了一点微小的工作，欢迎指正。
首先输入图像
做离散傅里叶变换：
data = ImageData[ColorSeparate[image][[1]]];
{nRow, nCol} = Dimensions[data]
fw = Fourier[data];
ListDensityPlot[Abs@fw]
然后我们取个低通，先做个掩模，这里只取整个图片低频的1/16部分：
然后我们取个低通，先做个掩模，这里只取整个图片低频的1/16部分：
low = 0.25;
mask = Table[
If[Abs[(row - (nRow/2))/nRow] > low &&
Abs[(col - (nCol/2))/nCol ] > low, 1, 0], {row, 1, nRow}, {col,
1, nCol}];
只要白的部分不要蓝的部分
只要白的部分不要蓝的部分
好了，对这个取过低通的图像做 逆傅里叶变换并画出来：
好了，对这个取过低通的图像做
逆傅里叶变换并画出来：
Image[Abs@ InverseFourier[fw*mask]]
- 原图
- low = 0.25
- low = 0.3
- low = 0.4
用一个二维高斯对DFT后的图像滤波，压制低频，结果如下
mask2 = ImageData[
ImageResize[
Image[RotateLeft[
Transpose[
RotateLeft[GaussianMatrix[100]*14341.83641834123 , 100]],
100]], {nCol, nRow}]];
可以看出用傅里叶方法做低通，效果并没有那么好，当然也可能是我姿势不对。
如果想自己试试的话，源码（Mathematica）如下：
data = ImageData[ColorSeparate[image][[1]]];
{nRow, nCol} = Dimensions[data]
fw = Fourier[data];
ListDensityPlot[Abs@fw]
low = 0.3;
mask = Table[
If[Abs[(row - (nRow/2))/nRow] > low &&
Abs[(col - (nCol/2))/nCol ] > low, 1, 0], {row, 1, nRow}, {col,
1, nCol}];
ListDensityPlot[mask]
ListDensityPlot[abs*mask]
Image[Abs@ InverseFourier[fw*mask]]
Calculate the 2D Fourier transform of an Image
How to use 2D Fourier analysis to clean the noise in an image
做了一点微小的工作，欢迎指正。
一般FFT修复图片都是些规则的花纹和特殊的污染，像
@林木然的那种图片我很好奇如何修复。比如如下的照片，可见照片上面有着很有规律的条纹。那么其FFT频谱图上面就会有非常规则的点。这些点就是条纹在频域空间的对应。
如果擦掉这些点，做一次FFT反变换，那么就能够很好地恢复原图像。但是，不可避免的，图像变得有点模糊了~
一般而言，高频率留下的是图像细节。低频率留下的是图像整体。通过滤波永远只会使图像失去更多的信息，而不是增加细节。
然而对于下面这张图，其频率图太奇怪了，噪声根本没有规律。传统的FFT根本没办法消除噪声的。
经过多次尝试和 @Comzyh 一致。通过滤过高频信号根本无法消除噪声。
比较原答案先后两张图片的FFT值，可见，所谓的滤波结果的图片反而多出了很多高频率信号信息（黑色条纹）。因此，我推测结果下面第二幅图是原图，而第一张是加噪声之后的图片。这种噪声并不是FFT擅长处理的，如前文所述，FFT擅长的是消除有规律的污染和噪声。
林木然图片中的女主是在《夏日香气》出演的韩国女星孙艺珍，明显是大光圈单反或者高清摄像机拍出的照片。说是FFT能修复噪声达到如此的细节，也是在太为难这个技术了。
最后，使用的软件是imageJ，其实现在photoshop 插件也支持FFT了。
PS：在宇宙学里面，离散傅里叶变换在数值模拟方法中有很重要的应用，是Particle Mesh 方法的核心算法。核心思想是将不规则粒子规划到正规网格上，用傅里叶变化快速计算粒子之间相互的力和引力势，通过这种方法可以极大地压缩N体粒子运算量。
如果擦掉这些点，做一次FFT反变换，那么就能够很好地恢复原图像。但是，不可避免的，图像变得有点模糊了~
如果擦掉这些点，做一次FFT反变换，那么就能够很好地恢复原图像。但是，不可避免的，图像变得有点模糊了~
一般而言，高频率留下的是图像细节。低频率留下的是图像整体。通过滤波永远只会使图像失去更多的信息，而不是增加细节。
一般而言，高频率留下的是图像细节。低频率留下的是图像整体。通过滤波永远只会使图像失去更多的信息，而不是增加细节。
然而对于下面这张图，其频率图太奇怪了，噪声根本没有规律。传统的FFT根本没办法消除噪声的。
经过多次尝试和 @Comzyh 一致。通过滤过高频信号根本无法消除噪声。
比较原答案先后两张图片的FFT值，可见，所谓的滤波结果的图片反而多出了很多高频率信号信息（黑色条纹）。因此，我推测结果下面第二幅图是原图，而第一张是加噪声之后的图片。这种噪声并不是FFT擅长处理的，如前文所述，FFT擅长的是消除有规律的污染和噪声。
林木然图片中的女主是在《夏日香气》出演的韩国女星孙艺珍，明显是大光圈单反或者高清摄像机拍出的照片。说是FFT能修复噪声达到如此的细节，也是在太为难这个技术了。
最后，使用的软件是imageJ，其实现在photoshop 插件也支持FFT了。
PS：在宇宙学里面，离散傅里叶变换在数值模拟方法中有很重要的应用，是Particle Mesh 方法的核心算法。核心思想是将不规则粒子规划到正规网格上，用傅里叶变化快速计算粒子之间相互的力和引力势，通过这种方法可以极大地压缩N体粒子运算量。
不知道题主问这个问题的出发点是什么？
如果是作为一个普通民众想了解一下这个数学方法的话，那么可以参看网络上很多的已有文献，例如这里， http://zh.wikipedia.org/wiki/%E5%82%85%E9%87%8C%E5%8F%B6%E5%8F%98%E6%8D%A2
如果题主是想问，为什么傅立叶变换能够变？其实这个问题我之前也纠结过，在课上，我们老师都会说，使用傅立叶变换可以把信号从时域变换到频域，并且还是等价的，然后给我们罗列一堆常用变换公式，然后就是做题了，我们努力的刷题，终于练到可以一见到常见形式的表达式就迅速的计算得到它的傅立叶变换式，但是，很少老师会努力给我们讲懂，为什么可以这么变。反正我是看着那些时域图和频域图任凭怎么联想也没办法把他们联系到一起。总觉得这两个图差远了。于是就一直在纠结这个问题，慢慢也有些理解。
原理其实在教材中也有讲，但是老师和同学好像都不怎么重视，因为考试也不考，（这种理解性的东西也不好考）。要理解傅立叶变化，最重要的是要认同到， 任何连续周期信号都可以由一组适当的正弦曲线组合而成，也就是说，任何连续周期信号都可以由很多个正弦曲线叠加去逼近，直到他们的误差可以忽略，而对于一条正弦曲线来说，决定因素是什么呢，y = A sin (ωt + θ)，可以看到，是 振幅，频率，和相位，那么，我们可以想到，如果我们画一张图，以这些很多正弦曲线的振幅为纵轴，频率为横轴，那么，就可以把这些很多的正弦曲线用另外一种形式表达出来啦，事实就是这样。这就是傅立叶变换了。
但是，相位呢？其实，真正的傅立叶变换，一张时域图，是应该变出两张频域图的，一张是像上面讲的，振幅为纵轴，频率为横轴，而另外一张，就是相位为纵轴，频率为横轴了，只不过我们通常都是使用前者罢了，至于为什么不关心相位？这个我还没想通。。
如果是作为一个普通民众想了解一下这个数学方法的话，那么可以参看网络上很多的已有文献，例如这里， http://zh.wikipedia.org/wiki/%E5%82%85%E9%87%8C%E5%8F%B6%E5%8F%98%E6%8D%A2
如果题主是想问，为什么傅立叶变换能够变？其实这个问题我之前也纠结过，在课上，我们老师都会说，使用傅立叶变换可以把信号从时域变换到频域，并且还是等价的，然后给我们罗列一堆常用变换公式，然后就是做题了，我们努力的刷题，终于练到可以一见到常见形式的表达式就迅速的计算得到它的傅立叶变换式，但是，很少老师会努力给我们讲懂，为什么可以这么变。反正我是看着那些时域图和频域图任凭怎么联想也没办法把他们联系到一起。总觉得这两个图差远了。于是就一直在纠结这个问题，慢慢也有些理解。
原理其实在教材中也有讲，但是老师和同学好像都不怎么重视，因为考试也不考，（这种理解性的东西也不好考）。要理解傅立叶变化，最重要的是要认同到， 任何连续周期信号都可以由一组适当的正弦曲线组合而成，也就是说，任何连续周期信号都可以由很多个正弦曲线叠加去逼近，直到他们的误差可以忽略，而对于一条正弦曲线来说，决定因素是什么呢，y = A sin (ωt + θ)，可以看到，是 振幅，频率，和相位，那么，我们可以想到，如果我们画一张图，以这些很多正弦曲线的振幅为纵轴，频率为横轴，那么，就可以把这些很多的正弦曲线用另外一种形式表达出来啦，事实就是这样。这就是傅立叶变换了。
但是，相位呢？其实，真正的傅立叶变换，一张时域图，是应该变出两张频域图的，一张是像上面讲的，振幅为纵轴，频率为横轴，而另外一张，就是相位为纵轴，频率为横轴了，只不过我们通常都是使用前者罢了，至于为什么不关心相位？这个我还没想通。。
目前的回答大部分都是应用。本质感觉都没有很直白的解释出来。容我尝试讲解一下。
1. 傅里叶级数 (Fourier Series)
要理解傅里叶变换，就要从傅里叶级数说起。
傅里叶级数说：任何周期性函数（周期为T），都可以看成无数正弦波（sine wave）相加。公式如下。
其中
,
,
, 根据
不同而不同（可以算出来）。
可以看出，这无数的正弦波的频率分别为，
。
目前为止应该容易理解，不深入了。
要注意的是，以上公式可以写成以下形式，
虚数的引入是什么鬼？只是为了表达/计算方便而已，其实2个公式是等价的。
是一个复数， 当n<0时，我们规定
，从负无穷大到正无穷大相加的时候，i的系数（也就是虚部）加起来等于0。虚部就没有了。
,
,
等全部包含在
的实部和虚部里了。有转换公式，稍微推一下就能推出来。
当n>0时，
2. 傅里叶变换 (Fourier Transform)
傅里叶级数其实不难理解了，傅里叶变换又是什么？ 事实上，现实生活中的信号，声音也好，电视手机信号也好，很少有周期为T的周期函数。如果一个函数是非周期函数，又如何？
我们想象 非周期函数，可以等价于周期T是无穷大的一个周期函数。
当周期T无穷大时，意味着上面的公式 其实变成了一个积分。
事实上，你也确实可以找到一个公式，让左右两边相等。
其中， f是实数，x是实数，c(f)是f的函数，是复数。很容易理解，傅里叶级数公式里的n/T变成了连续的f，也变成了连续的函数c(f)。
其中，我们 定义 c(f)为 s(x)的傅里叶变换。
3. 频域是什么？
是什么？是
的系数。
是什么？
， 代表了频率是f的正弦/余弦波。
就是说，s(x)可以看成无数正弦余弦波积分而成，频率是f的波的系数是 c(f)。
（其实并不是，例比傅里叶级数中才是真正的系数，而
只是为了计算方便而引出的一个系数。当然在实际应用中如果
不变，对
的缩放其实相当于对
等比例缩放）。
我们一般将傅里叶变换后的c(f)称作频域（复数值）。
对于声音（时域信号），c(f)可以看成不同声音频率段的相对强弱。
对于任意其他非时域信号（x不是时间t），我们仍然可以看成原信号s(x)是由不同频率的正弦余弦波叠加而成，只不过这个频率f并不能像声音的频率一样在原信号中有直观的物理表现。
5. 2D-傅里叶变换
图像的傅里叶变换？图像的c(x)是什么？我们电脑上存的图像不是一维的。怎样进行变换? 这里就是2D的延伸。
c(u, v)是函数s(x, y)的二维傅里叶变换。可以看成是无数二维正弦余弦函数（例如![\sin[2\pi (ux+vy)]](https://i-blog.csdnimg.cn/blog_migrate/a38ec44a79f06ed4f02395df926b922e.png)
)的叠加。
从数学上来说和1维没有本质区别。傅里叶变换之后得到的是2维的函数，横轴纵轴的u和v分别看成横轴和纵轴的频率f，就是2D频域。
6. 傅里叶变换应用
其实应用是非常广泛的。
大部分人举例的，基本都是信号处理（将原信号变换一下，变换后的信号在不同频率段做不同处理，例如某个频率段完全过滤掉，再变换回原信号）。对应声音来说，可能就是某个低频段的噪音被去掉了，原声音会更清楚。对于图像来说，看各个答主举得例子更直白。
对于通讯来说，傅里叶变换有另一个应用，也就是著名的OFDM。
假设你有一段信息，需要2kbps的速度传输出去。就是说你要每 0.5 毫秒，传输一个bit （也就是1或者0）。从调制的角度来说，可以用大小（1是大功率，0是小功率），可以用相位（1是pi, 0是2pi）等等来传输这段信号。
你也可以把信号分成2个不同的频率段来传输， 1个频率（假设周期为T，频率是f的正弦波）传输 1kbps，另一个频率（例如周期为T/2，频率是2f的正弦波）传输1kbps。你真正传输的时候呢，这2个频率段是叠加在一起传输出去的。怎样叠加呢？
s1 = (data1)*sin(...*f*t...)
s2 = (data2)*sin(...*2f*t...)
叠加信号 = s1 + s2
看到了吗？data1和data2其实是傅里叶变换后频域上的值，将叠加信号傅里叶变换一下，就得到data1和data2，将data1和data2反傅里叶变换一下，就得到叠加信号。
如果你有data1和data2，进行一个反傅里叶变换，然后将结果信号发出去，信号接收端直接傅里叶变换，就得到data1和data2。
这就是ofdm的基本原理了。
1. 傅里叶级数 (Fourier Series)
要理解傅里叶变换，就要从傅里叶级数说起。
傅里叶级数说：任何周期性函数（周期为T），都可以看成无数正弦波（sine wave）相加。公式如下。
其中
,
,
, 根据
不同而不同（可以算出来）。
可以看出，这无数的正弦波的频率分别为，
目前为止应该容易理解，不深入了。
要注意的是，以上公式可以写成以下形式，
虚数的引入是什么鬼？只是为了表达/计算方便而已，其实2个公式是等价的。
是一个复数， 当n<0时，我们规定
，从负无穷大到正无穷大相加的时候，i的系数（也就是虚部）加起来等于0。虚部就没有了。
,
,
等全部包含在
的实部和虚部里了。有转换公式，稍微推一下就能推出来。
当n>0时，
2. 傅里叶变换 (Fourier Transform)
傅里叶级数其实不难理解了，傅里叶变换又是什么？ 事实上，现实生活中的信号，声音也好，电视手机信号也好，很少有周期为T的周期函数。如果一个函数是非周期函数，又如何？
我们想象 非周期函数，可以等价于周期T是无穷大的一个周期函数。
当周期T无穷大时，意味着上面的公式
其实变成了一个积分。
事实上，你也确实可以找到一个公式，让左右两边相等。
其中， f是实数，x是实数，c(f)是f的函数，是复数。很容易理解，傅里叶级数公式里的n/T变成了连续的f，
也变成了连续的函数c(f)。
其中，我们 定义 c(f)为 s(x)的傅里叶变换。
3. 频域是什么？
是什么？是
的系数。
是什么？
， 代表了频率是f的正弦/余弦波。
就是说，s(x)可以看成无数正弦余弦波积分而成，频率是f的波的系数是 c(f)。
（其实并不是，例比傅里叶级数中
才是真正的系数，而
只是为了计算方便而引出的一个系数。当然在实际应用中如果
不变，对
的缩放其实相当于对
等比例缩放）。
我们一般将傅里叶变换后的c(f)称作频域（复数值）。
对于声音（时域信号），c(f)可以看成不同声音频率段的相对强弱。
对于任意其他非时域信号（x不是时间t），我们仍然可以看成原信号s(x)是由不同频率的正弦余弦波叠加而成，只不过这个频率f并不能像声音的频率一样在原信号中有直观的物理表现。
5. 2D-傅里叶变换
图像的傅里叶变换？图像的c(x)是什么？我们电脑上存的图像不是一维的。怎样进行变换? 这里就是2D的延伸。
c(u, v)是函数s(x, y)的二维傅里叶变换。可以看成是无数二维正弦余弦函数（例如
)的叠加。
从数学上来说和1维没有本质区别。傅里叶变换之后得到的是2维的函数，横轴纵轴的u和v分别看成横轴和纵轴的频率f，就是2D频域。
6. 傅里叶变换应用
其实应用是非常广泛的。
大部分人举例的，基本都是信号处理（将原信号变换一下，变换后的信号在不同频率段做不同处理，例如某个频率段完全过滤掉，再变换回原信号）。对应声音来说，可能就是某个低频段的噪音被去掉了，原声音会更清楚。对于图像来说，看各个答主举得例子更直白。
对于通讯来说，傅里叶变换有另一个应用，也就是著名的OFDM。
假设你有一段信息，需要2kbps的速度传输出去。就是说你要每 0.5 毫秒，传输一个bit （也就是1或者0）。从调制的角度来说，可以用大小（1是大功率，0是小功率），可以用相位（1是pi, 0是2pi）等等来传输这段信号。
你也可以把信号分成2个不同的频率段来传输， 1个频率（假设周期为T，频率是f的正弦波）传输 1kbps，另一个频率（例如周期为T/2，频率是2f的正弦波）传输1kbps。你真正传输的时候呢，这2个频率段是叠加在一起传输出去的。怎样叠加呢？
s1 = (data1)*sin(...*f*t...)
s2 = (data2)*sin(...*2f*t...)
叠加信号 = s1 + s2
看到了吗？data1和data2其实是傅里叶变换后频域上的值，将叠加信号傅里叶变换一下，就得到data1和data2，将data1和data2反傅里叶变换一下，就得到叠加信号。
如果你有data1和data2，进行一个反傅里叶变换，然后将结果信号发出去，信号接收端直接傅里叶变换，就得到data1和data2。
这就是ofdm的基本原理了。
P.S.毕业后再也没写过代码了，都是靠记忆+百度写的，想表达的是频率域处理图像的思路，如果细节表述有误请大家轻拍指出来就好。
P.S.又P.S. 图像是网上找的，如有侵权请指出来，立删。原图应该是先添加了噪声后再去处理，所以效果会很明显，实际操作过程中还要看具体情况，不详述了。
P.S.又P.S.又P.S.不少同学站出来拍我的这个答案有问题，前面已经解释了，我是靠回忆+百度搜图的，我只能说从图像域转到频率域来修图这个思路是完全没有问题的，但可能给出的示意图存在误导。但是我也暂时不修改了，毕竟毕业之后就开始做了marketing，coding这些东西真的快忘光了，现在还真的没有精力去严谨地求证这件事。初衷只是想分享一些好玩的数学思路，但经不起大牛们的仔细推敲，所以请别再点赞，大家让这个答案自然冷却就算了吧。
——————————————以下是原答案——————————————
用来美颜！美颜！美颜！
重要的事情说三遍。
没错傅里叶变换很重要的一个应用领域就是数字图像处理，就是我们常说的磨皮美颜。
简单来说原理是这样的：
（1）基于傅里叶变换，把一张图片从 图像域 转化为 频率域。
所谓图像域，就是我们日常看到的图片，长这样：
而根据傅里叶变化，这张图可以用一系列的 不同频率的函数的叠加来表示，图片从图片本身，变成了一个公式：Pic=A+B+C，于是这张图片就变成了这样：
虽然看起来很不可思议，总而言之上面两张图是同一个信息的两种表现方式。
如果太难理解，可以想象一下，一首歌可以是你用耳朵听到的声音组合，但是在很多播放器里会出现这种样子：
经过傅里叶变换会变成这样：
也成了多种频率波形的组合。
（感谢@ Y ing 提醒，原来的配图只是时域的图）
（2）去掉 频率域 里面 高频 的部分。
回到（1）中的原图，各种噪点，如果在图片中去噪（也就是磨皮），你就需要一点一点地抠掉，非常麻烦。但那张图片到了频率域中，所有独立的噪点都变成了高频函数表现的部分。
（对于一幅图像，高频部分代表了图像的细节、纹理信息；低频部分代表了图像的轮廓信息。）
于是在频率域图片里，我们把高频函数直接砍掉。假设原来是Pic=A+B+C，C是高频部分，那么去掉C之后，Pic=A+B，频率域的样子就变成了这样：
（3）把Pic=A+B再转回图像域，所有的噪点就消失了，瞬间美美哒。
于是如你所见，傅里叶变换拯救了无数的妹纸。
P.S.又P.S. 图像是网上找的，如有侵权请指出来，立删。原图应该是先添加了噪声后再去处理，所以效果会很明显，实际操作过程中还要看具体情况，不详述了。
P.S.又P.S.又P.S.不少同学站出来拍我的这个答案有问题，前面已经解释了，我是靠回忆+百度搜图的，我只能说从图像域转到频率域来修图这个思路是完全没有问题的，但可能给出的示意图存在误导。但是我也暂时不修改了，毕竟毕业之后就开始做了marketing，coding这些东西真的快忘光了，现在还真的没有精力去严谨地求证这件事。初衷只是想分享一些好玩的数学思路，但经不起大牛们的仔细推敲，所以请别再点赞，大家让这个答案自然冷却就算了吧。
——————————————以下是原答案——————————————
用来美颜！美颜！美颜！
重要的事情说三遍。
没错傅里叶变换很重要的一个应用领域就是数字图像处理，就是我们常说的磨皮美颜。
简单来说原理是这样的：
（1）基于傅里叶变换，把一张图片从 图像域 转化为 频率域。
所谓图像域，就是我们日常看到的图片，长这样：
而根据傅里叶变化，这张图可以用一系列的 不同频率的函数的叠加来表示，图片从图片本身，变成了一个公式：Pic=A+B+C，于是这张图片就变成了这样：
虽然看起来很不可思议，总而言之上面两张图是同一个信息的两种表现方式。
如果太难理解，可以想象一下，一首歌可以是你用耳朵听到的声音组合，但是在很多播放器里会出现这种样子：
经过傅里叶变换会变成这样：
也成了多种频率波形的组合。
（感谢@ Y ing 提醒，原来的配图只是时域的图）
（2）去掉 频率域 里面 高频 的部分。
回到（1）中的原图，各种噪点，如果在图片中去噪（也就是磨皮），你就需要一点一点地抠掉，非常麻烦。但那张图片到了频率域中，所有独立的噪点都变成了高频函数表现的部分。
（对于一幅图像，高频部分代表了图像的细节、纹理信息；低频部分代表了图像的轮廓信息。）
于是在频率域图片里，我们把高频函数直接砍掉。假设原来是Pic=A+B+C，C是高频部分，那么去掉C之后，Pic=A+B，频率域的样子就变成了这样：
（3）把Pic=A+B再转回图像域，所有的噪点就消失了，瞬间美美哒。
于是如你所见，傅里叶变换拯救了无数的妹纸。
这个方程的根构造一个乘法循环群。 然后可以构造一个正反对称的蝶形变换。由于正反变换对称，一个硬件就可以方便的进行2种变换（输入输出反接即可），而且复杂度是nlogn。 唔变换出来的结果有什么用呢？
化时间为XX，化XX为时间。这是最常见的用途。
时间很难进行“分配”，或者说很难准确的“分配”，虽然现在GPS提供的精确定时服务已经在3G 4G上使用，但是往往使用的成本都很巨大。那与其分配时间（时隙）不如分配时间的某种变换。
比方说我行政命令北京时间奇数豪秒允许联通用户通信，偶数毫秒允许移动用户通信，这样的划分无疑太不方便了，而且哪怕是高精度的石英晶振，依然会逐渐累积误差，很难去纠正。一但产生的误差足够大，就会影响到别人。而且用户的手机不能停电，必须时钟一直在走，记录自己是在偶数还是奇数毫秒，否则就会失去同步。
那我们可爱的先人发现了，可以对时间进行蝶形变换，变换成XX，然后把时间误差变化为一个叫做“相位误差”的东西（这个叫“相位”的东西，单位是时间乘以XX的单位）。这下好了，某个XX上的时间误差只会影响到他自己的“相位”。如果对XX进行分配，那么时间误差就各归各，不会影响到别人了。
当然问题来了，XX的分配能不能比时间精确呢（不然“时间漂移”的问题又会转移为“XX漂移”）？可爱的电子先驱们成功的做到了这一点。用各种线圈，电容器，硬是找到了一种可以很精确进行分配的“运算中间值”。他们给这种玩意儿XX称呼为“频率”。这里面的重大成果包括运算放大器，天线，滤波器等等（运算，分配，获得分配的结果）。这些东西他们的参数设计合理的话（没有正反馈），可以和时间无关，通电之后就可以正常使用（无状态的负反馈会让元器件收敛到工作参数条件下，精确频率付出的成本比精确定时的成本小多了。而且最重要的是，误差不会随时间累积！！）
有的人可能会说，频率是客观存在的，不是人为发明和定义的，女人和男人的声音天生就有某种不同，蓝光和红光也只有“某种”不同。没错，这证明了大自然的巧夺天工，也证明了对人类“频率”这样一个虚无的东西的定义是合乎自然法则的。
是你采样得到的信号 ， 你需要估计频率
, 傅立叶变化就是最直接的方法。
扫一扫
3524
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
